一种高效宽度图卷积神经网络模型及其训练方法技术

本发明专利技术提供了一种高效宽度图卷积神经网络模型及其训练方法，所述高效宽度图卷积神经网络模型依次包括输入层、同时捕捉节点的多阶邻域信息的高阶图卷积层、融合多阶邻域信息的SP信息融合池化层和softmax函数多分类输出层，所述高效宽度图卷积神经网络模型对应的训练方法为先进行预处理得到预处理特征，再将预处理特征输入训练的高效模型训练方法。该模型及其训练方法应用于实际分类测试时，采用一层高阶图卷积层增加模型宽度、降低模型深度、减少参数量的同时，还能同时聚集多阶邻域信息，进而扩宽了模型的感受野、避免了模型的过拟合风险、提升了模型的学习能力和分类精度。

【技术实现步骤摘要】
一种高效宽度图卷积神经网络模型及其训练方法
本专利技术涉及图像处理及深度学习
，特别是涉及一种基于高效宽度图卷积神经网络模型及其训练方法。
技术介绍
随着图像处理及深度机器学习研究的不断加深，一种能够同时对节点特征信息和结构信息进行端到端学习，适用于任意拓扑结构的节点与图，且在公开经典数据集上的测试效果都优于其他方法的图卷积神经网络逐渐成为学者们研究文本分类、图像分类等优选方法，并不断改进以提高分类效果。但由于现有的图卷积神经网络的每个卷积仅执行一跳邻域信息聚集，对应的图卷积神经网络模型要么采用浅层机制限制了获取全局信息能力，要么通过堆叠多个卷积层聚集多跳邻域信息来扩大感受野的规模，却导致参数量过多、模型太复杂，从而加大训练难度，还增加了过拟合的风险。因此，现有图卷积神经网络模型的感受野和学习能力受限，从而影响测试精度的问题，亟需进一步解决。
技术实现思路
本专利技术的目的是为了解决现有图卷积神经网络的感受野和学习能力受限问题，通过增加卷积的邻域阶数来加宽模型宽度，进而扩大模型的感受野，提高模型的学习能力，提高本文档来自技高网...

【技术保护点】
1.一种高效宽度图卷积神经网络模型，其特征在于，所述高效宽度图卷积神经网络模型依次包括输入层、高阶图卷积层、信息融合池化层和输出层；/n所述输入层，用于接收训练数据集的图特征；/n所述高阶图卷积层，用于根据所述图特征进行一阶到k阶的图卷积运算，得到图卷积数据；/n所述信息融合池化层，用于根据所述图卷积数据进行一阶到k阶的特征融合，得到融合数据；/n所述输出层，用于根据所述融合数据输出模型结果。/n

【技术特征摘要】
1.一种高效宽度图卷积神经网络模型，其特征在于，所述高效宽度图卷积神经网络模型依次包括输入层、高阶图卷积层、信息融合池化层和输出层；
所述输入层，用于接收训练数据集的图特征；
所述高阶图卷积层，用于根据所述图特征进行一阶到k阶的图卷积运算，得到图卷积数据；
所述信息融合池化层，用于根据所述图卷积数据进行一阶到k阶的特征融合，得到融合数据；
所述输出层，用于根据所述融合数据输出模型结果。


2.如权利要求1所述的高效宽度图卷积神经网络模型，其特征在于，所述高效宽度图卷积神经网络模型的输出层的输出HGCNSP表示为：



其中，X是图的输入矩阵，w是参数矩阵，是图的正则化邻接矩阵，k是图卷积的最高阶数，σ(·)为激活函数，SP(·)为信息融合函数，softmax(·)为多分类输出函数。


3.如权利要求2所述的高效宽度图卷积神经网络模型，其特征在于，所述图的正则化邻接矩阵是含自连接的正则化邻接矩阵。


4.如权利要求2所述的高效宽度图卷积神经网络模型，其特征在于，所述σ激活函数为ReLU非线性激活函数。


5.如权利要求2所述的高效宽度图卷积神经网络模型，其特征在于，所述高阶图卷积层包括基于权重共享的一阶图卷积到k阶图卷积，即


6.如权利要求2所述的高效宽度图卷积神经网络模型，其特征在于，所述信息融合池化层采用SP求和信息融合池化，其计算公式如下：





7.如权利要求1－6所述...

【专利技术属性】
技术研发人员：刘勋，宗建华，夏国清，叶和忠，刘强，
申请(专利权)人：广州大学华软软件学院，
类型：发明
国别省市：广东;44